面向具有人类意识的机器人任务规划的大型语言模型

近期大型语言模型（LLMs）研究的突破引发了多个研究领域的变革。特别是，LLMs的集成极大提升了机器人任务与运动规划（TAMP）的性能。然而，以往方法往往忽视动态环境的考虑，即存在如人类等动态对象。本文提出一种将人类意识融入基于LLM的机器人任务规划的新方法。为有效表示动态环境，我们的方法将人类信息整合进分层场景图。为确保计划的可执行性，我们利用LLMs将环境拓扑结构和可操作知识基础化为正式规划语言。最重要的是，我们使用LLMs预测未来人类活动，并在任务规划时考虑这些预测。我们的贡献促进了将人类意识整合进LLM驱动的机器人任务规划的发展，并为动态环境中机器人主动决策开辟了道路。